[发明专利]智能车的多功能控制方法及系统

说明书

一种智能车的多功能控制方法及系统，包括上位机和下位机，所述的上位机配置建图单元、导航单元和目标检测单元，所述的建图单元，所述的导航单元，所述建图单元以Gmapping为基础用于完成建图；所述的导航单元采用TEB轨迹规划算法完成导航；所述的目标检测单元以yolo算法为基础模型完成目标检测；所述的上位机和下位机控制器电连接，上位机用于控制下位机并且还用于扩充下位机的运算资源，本申请实现了建图单元以Gmapping为基础用于完成建图；导航单元采用TEB轨迹规划算法完成导航；目标检测单元以yolo算法为基础模型完成目标检测；上位机控制下位机并控制车体平台，完成智能车的多功能控制。

技术领域

本发明涉及一种智能车的多功能控制方法及系统。

背景技术

随着大数据、云计算、人工智能技术的发展和普及，我国正在加速服务行业的产业升级。餐饮行业作为四大生活基本需求之一的行业，加速发展成为现阶段的社会的必然趋势，现有的送餐小车送餐过程中的环境是复杂多变的，使小车能够在动态过程中识别障碍物并且迅速达到目的地是一个关键问题。比如实际的问题中传统的建图算法，可能出现匹配错误等等。

发明内容

为了克服现有的技术存在的不足， 本发明提供一种智能车的多功能控制方法及系统。

本发明解决其技术问题所采用的技术方案是：

一种智能车的多功能控制系统，包括上位机和下位机，所述的上位机配置建图单元、导航单元和目标检测单元，所述的建图单元，所述的导航单元，所述建图单元以Gmapping为基础用于完成建图；所述的导航单元采用TEB轨迹规划算法完成导航；所述的目标检测单元以yolo算法为基础模型完成目标检测；所述的上位机和下位机控制器电连接，上位机用于控制下位机并且还用于扩充下位机的运算资源。

进一步，所述的目标检测单元以yolo算法为基础模型完成目标检测，具体的yolo算法在R-CNN与Fast-RCNN基础上，输出层回归位置和类别，将整张图作为网络的输入，把目标检测转化成退化。

进一步，以yolo算法为基础模型完成目标检测中包括步骤：

（1）在网络搜集戴眼镜、不戴眼镜的人脸，长头发人物、短头发人物，然后进行标注，并划分训练集，测试集；

（2）修改训练配置文件；

（3）训练目标检测模型；

（4）准备分类/重识别数据；

（5）训练分类/重识别模型；

（6）测试跟踪。

进一步，所述建图单元以Gmapping为基础，具体的Gmapping将定位和建图过程分离，先进行定位再进行建图；并且每一个粒子都携带一幅地图。

进一步，还包括车体平台，所述的车体平台包括在车体上设置的麦克风阵列、IMU惯导模块、单目摄像头、激光雷达、电机、麦克纳姆轮。

进一步，所述的上位机配置JetsonNano处理器。

进一步，所述下位机采用STM32F4控制器。

智能车的多功能控制方法，包括步骤，建图单元以Gmapping为基础用于完成建图；导航单元采用TEB轨迹规划算法完成导航；目标检测单元以yolo算法为基础模型完成目标检测；上位机控制下位机并控制车体平台。

进一步优化Gmapping，具体有：评估数据中的粒子未来的姿态，并增设高斯采样的噪声点；确定粒子理想坐标；通过实际物体的特征点的提取，更新采样的粒子的权，根据粒子阈值确定采是否执行，判断最优粒子，获取最优粒子轨迹数据。

有益效果

本申请实现了建图单元以Gmapping为基础用于完成建图；导航单元采用TEB轨迹规划算法完成导航；目标检测单元以yolo算法为基础模型完成目标检测；上位机控制下位机并控制车体平台，完成智能车的多功能控制。